DeepSeek 开源新形态 Harness:一切皆插件,基于 Cordis 构建
DeepSeek 开源新形态 Harness一切皆插件2026 年 8 月 13 日DeepSeek 在 GitHub 上开源了 DeepSeek Harnessdsh一个 agent harness智能体框架。仓库是 deepseek-ai/deepseek-harnessMIT 协议当前处于开发者预览阶段README 里明确写了“未来将出现破坏兼容性的变更”。这件事值得关注的点不在“又多了一个 coding agent”。现在做 agent 工具的公司很多多一个产品本身不构成新闻。它真正值得看的是两个选择第一它代表一种新的 harness 形态一切皆插件连 agent 循环本身都是插件没有特权内核第二它基于 Cordis 构建——Cordis 由 Koishi 作者 Shigma 主导的 cordiverse 组织维护配套一篇形式化论文DeepSeek 把框架层整体纳入自己的仓库与 Cordis 生态深度共建。这篇文章先介绍 dsh 是什么再拆 Cordis 的设计最后和主流 harness 做对比。dsh 是什么一条命令就能启动的 Harness安装 Node.js 之后直接运行npx deepseek-ai/dsh web默认在http://127.0.0.1:3080打开 Web UI。除此之外还有 headless 模式跑完一个任务输出答案就退出不带服务器和 CLI 模式另有一个 Python SDK可以直接从 Python 里驱动。功能上和主流 coding agent 对齐•模型支持DeepSeek、Anthropic、OpenAI以及 Bedrock、Vertex、Azure、Codex还可以配任意 OpenAI 兼容的自建网关•内置能力bash/pwsh、文件读写编辑、全局搜索内置 ripgrep、LSP、终端、subagent子代理、后台任务、web 搜索抓取、MCP 客户端、todo、plan 模式、workflow、skill•会话机制可 fork、可恢复日志即会话真相• 还带了 Claude Code / Codex 的 hooks 桥接方便迁移习惯。工程上是 TypeScript monorepopnpm由几十个deepseek-ai/dsh-*包组成。社区方面开了 GitHub Discussions、Discord也有企微群和微信公众号。dsh 的本质是 DeepSeek 对“agent 基础设施”的一次完整开源而且它选择了一条不同的技术路线基于 Cordis 构建一个全插件的 harness。Cordisdsh 的底座一套有论文的插件框架dsh 的底座不是另起炉灶的插件系统而是 Cordis——来自 cordiverse 组织维护者是 shigmaKoishi 机器人框架的作者。npm 上的描述是“Meta-Framework for Modern Applications”。选 Cordis 做底座不是随便的决定。它配套一篇论文《A Programming Paradigm for Spatiotemporal Composability》时空可组合性的编程范式2026 年 8 月 13 日同步上传的预印本。论文提出的问题很本质现代软件——从插件系统到自进化的 agent harness——越来越需要“动态组合”但它的形式化基础一直很薄弱。论文把它拆成两个正交维度•时间可组合性一个组件被移除时它的副作用能否被完整回滚•空间可组合性组件之间的依赖能否声明式地表达、并响应式地管理。对应地Cordis 实现了两个机制可逆副作用每次对上下文的变更都带一个运行时跟踪的逆操作卸载即回滚和响应式协效应上下文一变组件按自己的协效应声明收到通知。再加上一个声明式组件加载器支持配置对账和热更新。这套设计的核心主张是插件的注册是“可逆的副作用”而不是永久修改。这跟传统插件系统“装上了就只能靠重启卸载”的体验有本质区别。基于 Cordisdsh 怎么把“一切皆插件”落地dsh 的架构文档写得很直白产品的每一部分都是插件包括模型适配器、工具注册表、会话日志以及 agent loop 本身。不存在需要打补丁的特权内核扩展 dsh 的方式就是把插件挂载到其他插件旁边。几个关键机制•Profile / Bundle / Patch 分层运行中的 dsh 是一棵插件树由启动时按序叠加的配置层组成。最底层是dsh-base模型适配器、工具、持久化、沙箱、审批策略等上面加 Web 应用或 headless 运行器。每一层都可以用cordis.patch.yml按 id 替换配置。运行dsh --profile web --dump-config可以打印整棵配置树任何条目都能被自己的 patch 替换。•Seam能力接缝三件套一项可替换能力由 Service Definition接口、Service Provider实现、Consumer消费方通常是面向模型的工具组成换一个 Provider 就改变整个产品行为。文件系统和进程提供方共享同一个执行世界把它们指向远程沙箱Bash、PTY、LSP 就一起搬过去了不需要为每个提供方写特例。•类型化事件服务通过事件通信四种分发模式——emit观察、waterfall环绕中间件可以短路、parallel并行、serial按序。waterfall 就是拦截和策略的天然位置。•会话日志即真相一个不变量是“模型可见即已记录”——所有到达模型请求的内容都必须能从日志重建。fork、恢复、回放、遥测都派生自这条事件流。dsh 和 Cordis 的绑定也比普通“用个开源库”彻底得多DeepSeek 把 Cordis 及其基础库cosmokit、schemastery 等以 vendor 方式整包纳入自己的 monorepo统一改名成deepseek-ai作用域相关仓库 fork 到 deepseek-harness 组织Cordis 的文档也托管在 deepseek-harness.github.io 下。这不是“用了别人的库”而是把框架层当作产品的一部分来共建dsh 完整拥有自己的框架层——可审计、可打补丁、可锁定版本同时与 Cordis 上游保持同源演进。和主流 harness 的区别现在市面上的 harness 大致分几类•Claude Code / Codex CLI闭源内核 hooks / 插件扩展点。核心循环怎么读上下文、怎么调工具、怎么收敛是固定的扩展只能在预留的位置上做文章•OpenHands开源的事件流架构agent 可以自定义但 harness 本身事件流、运行时、沙箱是产品的固定部分•OpenAI Agents SDK过程式组合——agent、handoff交接、guardrail护栏都是代码对象靠程序逻辑编排•LangGraph显式图结构节点、边、状态、检查点把流程画出来跑•Cordis / dsh 路线无特权内核。agent 循环、模型适配器、工具注册表、会话日志全部是插件靠服务依赖和类型化事件组合卸载即回滚配置即组合。两者最本质的区别是其他 harness 是“一个固定的核心 一圈扩展点”Cordis 路线是“没有核心只有组合”。这个区别带来的实际差异是在 dsh 里替换 agent 循环、换掉日志实现、把整个工具链搬到远程沙箱都是“换一个插件 / 改一层配置”的事不需要碰产品主体而多数主流 harness 里这些是产品内置的假设动它们等于改产品。当然这条路线也有代价。Cordis 和 dsh 都明确标注 API 不稳定“一切皆插件”意味着抽象层次多学习和排障成本更高配置树、patch、事件分发这些概念对只想快速跑个 agent 的用户来说偏重。判断如果只看热闹这是“DeepSeek 又开源了一个 agent 工具”。但放在一起看它说明几件事第一agent 基础设施正在成为大厂的竞争面。OpenAI、Anthropic 在做自家 agent 栈DeepSeek 选择把整套 harness 开源且明确是“开发者预览 快速迭代”姿态是拉社区共建。第二插件化正在从营销词变成有形式化基础的工程能力。Cordis 有论文、有可逆副作用的运行时实现、有配置对账的加载器dsh 把它整包纳入仓库并深度集成。这说明“可组合性”开始被当成严肃的软件工程问题而不是产品宣传。第三框架可以共建底座不必自研。一个做模型的公司做 agent 框架没有另起炉灶重写插件层而是基于 Cordis 构建、把框架层纳入仓库一起演进——就像很多公司不重复造编译器而是深入参与开源基础设施。第四这可能是 harness 的新形态。模型、工具、日志、循环全部可替换产品主体被拆成一层层可组合的插件harness 从“单机工具”走向“可组合框架”。这条路线刚起步API 还不稳定但方向值得跟踪。对工程师来说值得做的动作是跑一次npx deepseek-ai/dsh web翻一遍docs/architecture.md重点看它的事件流和 seam 设计。相比又多一个 coding agent更值得研究的是这套“无特权内核 可逆副作用”的新形态。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】

相关新闻

端侧 AI 推理选型,别漏掉进程隔离与驱动兼容

端侧 AI 推理选型,别漏掉进程隔离与驱动兼容

端侧 AI 推理选型,别漏掉进程隔离与驱动兼容 端侧 AI 推理引擎的评估不能只剩 TPS 和量化精度。模型解析器、C/C 依赖与硬件驱动都运行在设备上,进程权限、资源上限和升级后的 ABI 兼容同样会决定它能否交付。 端侧推理引擎常依赖 C/C 库、模型解析器和硬…

2026/11/17 7:37:39 阅读更多 →
AI 项目管理灰度,先验证数据边界和人工复核

AI 项目管理灰度,先验证数据边界和人工复核

AI 项目管理灰度,先验证数据边界和人工复核 AI 可以汇总 Sprint 周报、整理 Backlog 或提示项目风险,但 Git 提交频次和文本摘要都缺少完整业务背景。灰度阶段首先要验证数据使用边界、错误能否被复核,以及管理者会不会把建议误当成考核结论。…

2026/11/13 11:25:45 阅读更多 →
Spring AI 2.0:Java开发者如何通过一行注入集成GPT/Claude/Gemini

Spring AI 2.0:Java开发者如何通过一行注入集成GPT/Claude/Gemini

1. 从“拼积木”到“开箱即用”:为什么我们需要一个原生的 Java AI 框架? 如果你在过去一两年里尝试过在 Java 应用里集成 OpenAI 的 GPT 或者 Anthropic 的 Claude,你大概率经历过这样的场景:打开 Maven 中央仓库,搜…

2026/11/15 19:45:15 阅读更多 →

最新新闻

Electron桌面应用开发实战:从环境搭建到打包发布全流程

Electron桌面应用开发实战:从环境搭建到打包发布全流程

做前端这些年,我大部分时间都在跟浏览器标签页打交道,直到第一次把桌面应用跑起来,才发现原来自己一直被限制在地址栏和刷新按钮围起来的框框里。Electron这个词,最开始是在某段时间频繁出现在同事的讨论里,一个用HTML…

2026/11/17 8:22:52 阅读更多 →
滑盖智能锁T109深度解析:结构原理、安装调试与故障排查

滑盖智能锁T109深度解析:结构原理、安装调试与故障排查

简介:亚太天能T109滑盖智能锁产品说明书是一份PDF格式的官方技术文档,主要面向智能锁安装人员、终端用户及售后维护者,帮助快速掌握产品安装、配置与常见故障处理。全包仅1个PDF文件,大小4.37MB,内容结构清晰&#xff…

2026/11/17 12:46:04 阅读更多 →
PMSM弱磁控制原理与Simulink建模:高速AGV驱动系统设计指南

PMSM弱磁控制原理与Simulink建模:高速AGV驱动系统设计指南

上个月我在调试一台高速AGV的驱动系统,整车要求空载跑到8m/s,电机转速已经拉到额定点,驱动器的输出电压也顶到了母线电压极限附近。再往上踩速度指令,转速纹丝不动,三相电流反而开始震荡。那会儿我的第一反应就是&…

2026/11/17 12:46:04 阅读更多 →
C++核心知识点:从内存管理到STL的实战指南

C++核心知识点:从内存管理到STL的实战指南

C 这门语言我前前后后折腾了十几年,用它写过嵌入式驱动、做过游戏服务端,也搭过基础组件库。每次看到新人一头扎进"C 核心知识点"这个搜索词,我其实挺感慨的——这门语言的难点从来不是语法多,而是知识点之间的耦合太深…

2026/11/17 11:26:33 阅读更多 →
T109滑盖智能锁怎么装?安装调试与故障排查全攻略

T109滑盖智能锁怎么装?安装调试与故障排查全攻略

简介:亚太天能T109滑盖智能锁产品说明书以PDF格式发布,适合智能锁用户、安装人员与售后维修人员阅读。内容围绕T109系列指纹密码刷卡锁展开,先介绍前面板、后面板、锁体、机械钥匙、电池盒盖等部件名称与功能,再给出完整安装步骤&…

2026/11/17 12:46:05 阅读更多 →
LLM知识降熵:从信息垄断到理解权下放

LLM知识降熵:从信息垄断到理解权下放

你有没有过这种经历:翻开源码注释、论文摘要或者一份专业报告,每个字都认识,连在一起却像天书。想找人聊聊,身边要么没人懂,要么懂的懒得跟你解释。后来我试着把同一段内容丢给一个大语言模型,几秒钟之后&a…

2026/11/17 12:46:05 阅读更多 →

日新闻

周新闻

月新闻